矿用动力电池荷电状态预测.pdf

第45卷 第1期 2019年1月 工矿自动化工矿自动化 Industry and Mine Automation Vol. 45 No. 1 Jan. 2019 文章编号671-251文章编号671-251X201901-0070-06 201901-0070-06 DOI 10. 13272 10. 13272/j. . issn. 1671-251. 1671-251x. 2018060051. 2018060051 矿用动力电池荷电状态预测 谈发明谈发明S 王琪 王琪 11.江苏理工学院信息中心， 江 苏 常 州 213001213001; 2 2.江苏理工学院电气信息工程学院， 江 苏 常 州 213001213001 摘要摘要 针对最小二乘支持向量机（针对最小二乘支持向量机（LSSVM用于预测矿用动力电池荷电状态（用于预测矿用动力电池荷电状态（SOC时正则化参数和核函时正则化参数和核函 数参数难以优化选择， 灰狼优化（数参数难以优化选择， 灰狼优化（GWO算法在单独求解约束优化问题时出现早熟、 稳定性差、 易陷入局部最算法在单独求解约束优化问题时出现早熟、 稳定性差、 易陷入局部最 优等问题， 在差分进化灰狼优化（优等问题， 在差分进化灰狼优化（DE- -GWO算法的基础上算法的基础上，采用指数函数形式的非线性收敛因子对采用指数函数形式的非线性收敛因子对DE- - GWO算法进行改进。该非线性收敛因子在迭代过程前段衰减速率低， 能更好地寻找全局最优解， 在迭代过算法进行改进。该非线性收敛因子在迭代过程前段衰减速率低， 能更好地寻找全局最优解， 在迭代过 程后段衰减速率高， 能更精确地寻找局部最优解， 有效平衡全局搜索能力和局部搜索能力。实验结果表明，程后段衰减速率高， 能更精确地寻找局部最优解， 有效平衡全局搜索能力和局部搜索能力。实验结果表明， 利用改进利用改进DE-GWO算法优化算法优化LSSVM参数后建立的矿用动力电池参数后建立的矿用动力电池SOC预测模型最大绝对误差为3. 7 ，预测模型最大绝对误差为3. 7 ， 最大相对误差为5 . 3 。最大相对误差为5 . 3 。 关键词 矿用动力电池； 荷电状态； 灰狼优化算法；差分进化；最小二乘支持向量机；收敛因子关键词 矿用动力电池； 荷电状态； 灰狼优化算法；差分进化；最小二乘支持向量机；收敛因子 中图分类号TD611 611 文献标志码A 网络出版地址Http / //kns. . cnki. net/kcms/detail/32. 1627. 32. 1627. TP. 20181227. 1736. 006. . 20181227. 1736. 006. html State of charge prediction for mine-used power battery TAN Faming1， 1， WANG Qi2 2 1. 1. Ination Center, , Jiangsu University of Technology， ， Changzhou 213001, 213001, China; 2. ; 2. School of Electrical and Ination Engineering， Jiangsu University of Technology， ， Changzhou 213001, 213001, China Abstract It was difficult to optimize parameters of regularization and kernel function when least squares support vector machine LSSVM was used to predict state of charge SOC of mine-used power battery, , and grey wolf optimization GWO algorithm was prone to early maturity, , poor stability and local optimization when solving constraint optimization problem alone. . In view of above problems, , on the basis of differential evolution GWO DE- -GWO algorithm, , non-linear convergence factor in the of exponential function is used to improve the DE-GWO algorithm. . The non-linear convergence factor has low attenuation rate in the early stage of iterative process and the global optimal solution can better be found, , while it has high attenuation rate at the end of iterative process and the local optimal solution can be found more accurately, , which effectively balances global search ability and local search ability. . The experimental results show that the maximum absolute error and the maximum relative error of SOC prediction model for mine-used power battery are 3.7 3.7 and 5.3 5.3 respectively after LSSVM parameters are optimized by the improved DE-GWO algorithm. . Key words mine-used power battery; ; state of charge; ; grey wolf optimization algorithm； ； differential evolution； ； least squares support vector machine; ; convergence factor 收 稿 日 期 2018-06-26;修 回 日 期 2018-12-10;责 任 编 辑 盛 男 。 基 金 项 目 江 苏 省 高 等 学 校 自 然 科 学 研 究 面 上 项 目 （1 1 时 ， 狼群为了找到更好的猎物将扩大| 1 时 ， 狼群为了找到更好的猎物将扩大 包围圈， 此 时包围圈， 此 时DE- -G fO算法具有较强的全局搜索算法具有较强的全局搜索 能力； 当 |能力； 当 |A| 1 时 ， 狼群为了完成最后的攻击行为| 1 时 ， 狼群为了完成最后的攻击行为 将收缩包围圈， 此 时将收缩包围圈， 此 时DE- -G fO算法具有较强的局算法具有较强的局 部搜索能力[14]。参 数部搜索能力[14]。参 数A调 节调 节DE- -G fO算法的寻算法的寻 优性能取决于收敛因子优性能取决于收敛因子a， 采用非线性形式能更有， 采用非线性形式能更有 效地平衡效地平衡DE- -G fO算法的全局搜索和局部搜索能算法的全局搜索和局部搜索能 力 ， 体现实际寻优过程， 提高算法求解精度。 因此，力 ， 体现实际寻优过程， 提高算法求解精度。 因此， 图1 DE-GWO算法实现流程 Fig. 1 Implementation flow of DE-GWO algorithm 本文对本文对DE-Gf O算法的收敛因子进行改进， 提出算法的收敛因子进行改进， 提出 一种指数函数形式的非线性收敛因子一种指数函数形式的非线性收敛因子 a 2 2[ 2 2[expDnax 1/ax 1/exp1 1]21 1]2 1010 该非线性收敛因子在迭代过程前段衰减速率该非线性收敛因子在迭代过程前段衰减速率 低 ， 能更好地寻找全局最优解； 在迭代过程后段衰减低 ， 能更好地寻找全局最优解； 在迭代过程后段衰减 ， 更 精 地 局 部 优 。， 更 精 地 局 部 优 。 3算法性能测试3算法性能测试 为验证改进为验证改进DE- -GWO算法的有效性， 从稳定算法的有效性， 从稳定 性 、 求解精度和收敛速度3 个 方 面 对性 、 求解精度和收敛速度3 个 方 面 对GWO算 法 、算 法 、 DE- -GWO算 法 、 采 用 文 献 [1]中 收 敛 因 子 的算 法 、 采 用 文 献 [1]中 收 敛 因 子 的DE- - GWO算法（ 记 为算法（ 记 为DE- -GWO-1算法） 、 采用文献[9]-1算法） 、 采用文献[9] 中收敛因子的中收敛因子的DE- -GWO算 法 （ 记 为算 法 （ 记 为DE- -GWO-2算-2算 法） 和改进法） 和改进DE- -GWO算法进行对比。算法进行对比。 算法参数设置算法参数设置种 群 规 模种 群 规 模N 1 0 1 0,最大迭代次最大迭代次 数 200,交叉概率数 200,交叉概率CR 0. 02,缩放比例因子, 0. 02,缩放比例因子, 取值范围为[0. 05,0. 10]。为避免单次寻优结果的取值范围为[0. 05,0. 10]。为避免单次寻优结果的 偶然性， 对标准测试函数表1分 别 执 行 3 0 次寻优偶然性， 对标准测试函数表1分 别 执 行 3 0 次寻优 测试。测试。 表1标准测试函数 Table 1 Standard test functions 函数维度搜索范围理论最优解 14 4 k 1 30[100,100]0 2 4 | | 6 1 k1 k1 30[10,10]0 k 34 4 2 k 1 8 1 30[100,100]0 4 x max 2 4k ， k 4 30[100,100]0 2 0 1 9 年 第 1 期谈 发 明 等 矿 用 动 力 电 池 荷 电 状 态 预 测 73 根 据3 0次 寻 优 测 试 结 果 计 算 标 准 差 、 平 均 值 和 优 解 越 接 近 理 论 最 优 解 ， 表 示 算 法 求 解 精 度 越 高 。 最 优 解 ， 见 表2。标 数 度 ， 可 用 来 从 表2可 看 出 ， 在 相 同 维 度 和 固 定 范 件 下 ， 算 稳 定 性 ， 标 越 小 ， 表 示 算 法 越 稳 定 ； 改 进D E -G fO算 稳 定 精 度 均 优 ； 平 均 值 和 最 优 算 法 的 求 解 精 度 ， 平 均 值 算 法 。 表2标准测试函数测试结果 Table 2 Test results of standard test functions 函数GWO算DE-GWO 算DE-GWO-1 算DE-GWO-2 算改进DE-GWO算 14 标准差 6. 893 3X 10- 9 平均值7. 332 8X 10- 9 最优解6.802 2X 10- 10 标准差 2. 546 2X 10- 9 平均值 3. 296 8X 10- 9 最优解5. 544 5X 10- 10 标准差 1. 756 1 X 10- 8 平均值 1. 964 2X 10- 8 最优解5.842 6X 10- 10 标准差 2. 807 0X 10- 11 平均值 2. 420 2X 10- 11 最优解7. 352 0X 10- 13 标准差 3. 509 7X 10- 12 平均值 1. 683 4X 10- 12 最优解 2. 895 2X 10- 14 24 标准差2. 192 7X 10- 6 平均值 5. 135 8X 10- 6 最优解 2.450 7X 10- 6 标准差 4. 284 8X 10- 6 平均值 6. 826 2X 10- 6 最优解7. 380 6X 10- 7 标准差 1. 433 3X 10- 5 平均值 2. 229 1X 10- 5 最优解 5.284 1X 10- 6 标准差 2. 871 6X10- 7 平均值 3. 564 6X 10- 7 最优解 7. 673 3X 10- 8 标准差 9. 696 5X 10- 8 平均值 9. 514 0X10-8 最优解7. 245 9X 10- 9 34 标准差 5. 196 2X 100 平均值 5. 383 1X 100 最优解 2. 914 4X10- 1 标准差 2. 669 9X 10- 1 平均值 2. 192 0X 10- 1 最优解 1.297 3X 10- 2 标准差2. 497 8X 100 平均值 1. 618 4X100 最优解3. 305 4X 10- 2 标准差 4. 883 4X 10- 2 平均值 6. 240 4X 10- 2 最优解6. 344 7X 10- 3 标准差 6. 779 9X 10- 2 平均值3. 468 3X 10- 2 最优解1. 192 8X 10- 3 44 标准差3.411 7X10- 2 平均值 4. 189 6X 10- 2 最优解8. 513 9X10- 3 标准差 8. 724 7X 10- 3 平均值 1. 359 7X 10- 2 最优解 4. 347 0X 10- 3 标准差 1. 264 5X 10- 2 平均值 2. 007 9X 10 - 2 最优解4. 963 1 X 10- 3 标准差 1. 355 7X 10- 3 平均值 2. 409 3X 10- 3 最优解6. 585 2X 10- 4 标准差1.241 5X10-3 平均值1. 768 7X 10- 3 最优解2. 440 6X 10- 4 为直观说明改进为直观说明改进DE- -GWO算法收敛速度和求算法收敛速度和求 解精度， 从 30 优测试过程中随机选取1 次标准解精度， 从 30 优测试过程中随机选取1 次标准 测试函数进化曲线， 如 图 2 所示。可 看 出 改 进测试函数进化曲线， 如 图 2 所示。可 看 出 改 进DE- - G fO算 100 代的收敛速度和其他算法算 100 代的收敛速度和其他算法 相比不占优势， 主要是为了更好地寻找全局最优解，相比不占优势， 主要是为了更好地寻找全局最优解， 避免陷入局部最优； 在 后 100 代的收 度加避免陷入局部最优； 在 后 100 代的收 度加 快％ 度 论最优解； 改 进快％ 度 论最优解； 改 进DE- -G fO算算 收 度 精度方面明显优 算法。收 度 精度方面明显优 算法。 图2标准测试函数进化曲线 Fig. 2 Evolution curves of standard test functions 74 工 矿 自 动 化2 0 1 9 年 第 4 5 卷 4 4 SOC预测实验预测实验 4.1 样本数据采集与处理 实验研究对象为25节 1 2 V/24A *h 矿机设备 常用的磷酸铁锂动力电池串联构成的电池组， 应用 多种典型测试工况组 工况进 ， 以 1 Hz频 集电池工作 、 电流、 温度、 内阻 和 SOC， 共获取2 370组样本数据， 如 图 3 所示。 电压 温度d 内 阻 和SOC 图3电池组样本数据 Fig. 3 Sample data of battery pack 电池电压、 电流、 温度和内阻等样本数据单位不 同， 在数 很大差异， 对算法收 度有影 [15， 需将 数值为0、 均方 1 的 数。 4.2 实验结果分析 改 进 DE-GWO算 法 优 化 基 于 LSSV M 的 矿 SO C预测模型 参 数 7 和核 函数参数a ， 算法基本参数设置 种 N10， 空间维度D 2,最 大 迭 代 次 数 ‘ ax 50,交叉 概 率 CR 0. 2,缩放比例 F 取值范围为[0. 2, 0 8 ] ， 待 优 化 参 数 7 和 a 的取值范 [0. 01， 1 000。 SO C预测模型的有 ， 将 样 本数据集中的奇数项数 SOC预测模型训练， 数项数 预测， 并 和 SO C实测值进 ， 图 4 所示。可看出预测前半段小幅 波 多 ， SO C预测值 贴 测 值 ， 未出现 明 现象； 预测 段出现 波 幅度较大区域， 但仍能保持较强的跟 应 ； SOC预测值 测值基本 。 SOC预测模型误 图 5 所 示 ， 可看出最大绝 对误差为3. 7 ， 最大 误 5. 3 ， 说明该模 型预测精度高。 Fig. 4 Comparison between prediction value and measurement value of SOC 图5 SOC预测模型误差 Fig. 5 Error of SOC prediction model 3结语3结语 改 进 D E -G f O 算 法 在 D E -G f O 算法的基础 上引入指数函数 线性收 ， 平‘ 全 局 局部 ， 提 算法稳定性、 求 2 0 1 9 年 第 1 期谈 发 明 等 矿 用 动 力 电 池 荷 电 状 态 预 测 75 解精度、 收 敛 速 度 ； 应 用 改 进DE-GWO算法优化 LSSVM的正则化参数和核函数参数， 基于优化后 LSSVM建立的矿用动力电池SOC预测模型精度 高。不足之处在于预测结果在一定程度上依赖离线 训练数据量， 下一步研究方向是简化算法复杂度， 实 现在线采集及精确预测同时进行。 参 考 文 献 （References 1 陈健美， 钱承， 李玉强， 等.基 于LS-SVM的混合动力 镍氢电池组SOC预测[J].中南大学学报（ 自然科学 版） ，2013,44135-139. CHEN Jianmei,QIAN Cheng, LI Yuqiang,et al. SOC prediction of M H/Ni battery in hybrid vehicle based on LS-SVM [J]. Journal of Central South University Science and Technology ,2013,441 135-139. [2 ] M IRJALILIS, MIRJALILI S M ， LEWIS A. Grey wolf optimization [ J ]. Advances in Engineering Software, 2014,697 46-61. [3 ]龙文 ， 赵东泉， 徐松金.求解约束优化问题的改进灰狼 优化算法[J].计算机应用，2015,359590-2595. LONG W en， ZHAO Dongquan， XU Songjin . Improved grey wolf optimization algorithm for constrained optimization problem [ J ] Journal of Computer Applications, 2015,359 2590-2595. [4 ]金星 ， 邵珠超， 王盛慧.一种基于差分进化和灰狼算法 的混合优化算法[J].科学技术与工程，2017,1 7 6 266-269. JIN XingSHAO ZhuchaoWANG Shenghui A hybrid optimization algorithm based on diferential evolution and grey wolf optimizer [ J ] Science Technology and Engineering, 2017,1716 266-269. [ 5 ] 张新明， 涂 强 ， 康 强 ， 等.灰狼优化与差分进化的混合 算 函 数 优 [J] 计 算 机 科 学201744 9 93-98. ZHANG Xinming， TU Qiang, KANG Qiang, et al. Hybrid optimization algorithm based on grey wolf optimization and diferential evolution for function optimization [ J ]. Computer Science，2017， 44 9 93-98 [ 6 ] 孙闽红， 邵章义 ， 秦 源 ， 等.基于差分进化狼群算法的 GNSS欺骗干扰检测[J ].计 算 机 工 程 ，2016,42 9 89-93 SUN MinhongSHAO ZhangyiQIN Yuanet al GNSS spoofing jamming detection based on differential evolution-wolf pack algorithm [ J ]. Computer Engineering,2016,429 89-93. [ 7 ] 郭振洲， 刘然 ， 拱长青， 等.基 于改 进灰 狼 算法 的RBF 神经网络研究[J ].微电子学与计算机，2017,347 7-10 GUO Zhenzhou, LIU Ran, GONG Changqing, et al. Study on RBF neural network based on gray wolf optimization algorithm [ J ]. Microelectronics k Computer, 2017,347 7-10. [ 8 ]罗 佳， 唐斌.基于收敛因子非线性动态变化的灰狼优 化算法[J ].中国科技论文，2016，11171991-1997. LUO Jia， TANG Bin. Grey wolf optimization algorithm based on nonlinear convergence factor dynamic changing [J]. China Sciencepaper，2016， 11 171991-1997. [9 ]郭振洲， 刘 然 ， 拱 长 青， 等.基于灰狼算法的改进研究 [J].计算机应用研究，2017,3412 3603-3606. GUO Zhenzhou , LIU Ran , GONG Changqing , et al. Study on improvement of gray wolf algorithm [J]. Application Research of Computers , 2017 , 34 12 3603-3606 [ 1 0 ] 于 洋 ， 纪 世 忠 ， 魏克新.基 于LS-SVM算法动力电池 SOC估 计 方 法 的 研 究[ J ] .电 源 技 术 ，2012, 36 3 349-351 YU Yang， JI Shizhong， WEI Kexin. Estimating for power battery state of charge based on LS-SVM[J]. Chinese Journal of Power Sources , 2012， 363 349-351. [ 1 1 ] 吕鹏飞， 陈学华.基 于PSO优 化LSSVM模型的回采 巷道顶底板移近量预测[J ].安 全 与环 境 学 报 ，2017, 1762045-2049. LYU Pengfei， CHEN Xuehua. PSO optimized LSSVM model by predicting the convergence between the roof and the floor in the gateways [J]. Journal of Safety and Environment , 2017,176 2045-2049. [ 2 ] 童刘伟.基 于LS-SVM的蓄电池荷电状态监测方法 的研究与设计[D ].南 宁 广西大学，2013. [ 3 ] 牛 家 彬 ， 王辉.一 种 基于 混 合 策 略 的 灰 狼 优 化 算 法 [J ].齐齐哈尔大学学报（ 自然科学版） ，2018,341 16-19. NIU Jiabin， WANG Hui. A hybrid strategy-based grey wolf optimization algorithm[J]. Journal of QiqiharUniversityNatural Science Edition，2018,34 1 16-19. [ 4 ] 杨红光， 刘建生.一种结合灰狼优化和K-均值的混合 聚 类 算 法[ J ] .江 西 理 工 大 学 学 报 ，2015, 36 5 85-89. YANG Hongguang， LIU Jiansheng. A hybrid clustering algorithm based on grey wolf optimizer and K-means algorithm[J]. Journal of Jiangxi University of Science and Technology , 2015,365 85-89. [ 1 5 ]王 琪， 孙玉坤， 倪 福 银 ， 等.混合动力汽车电池内部状 态预测的贝叶斯极限学习机方法[J ].中国机械工程， 2016，27223118-3123. WANG Qi , SUN Yukun , NI Fuyin , et al. Prediction of internal states of battery in H EVby BELM[J]. China Mechanical Engineering , 2016,27223118-3123.